近日，地球科学与技术学院遥感与地理计算团队在道路智能提取方面取得重要进展，分别在遥感领域Top期刊《IEEE Transactions on Geoscience and Remote Sensing》以及地学领域Top期刊《International Journal of Applied Earth Observation and Geoinformation》发表了题为“Exploring Label Probability Sequence to Robustly Learn Deep Convolutional Neural Networks for Road Extraction with Noisy Datasets”和“Exploring Multiple Crowdsourced Data to Learn Deep Convolutional Neural Networks for Road Extraction”的系列研究成果。其中，郑州大学为第一作者单位，博士生李盼乐为第一作者，地球科学与技术学院赫晓慧教授为通信作者，田智慧教授为团队带头人。

道路信息在城市规划、市民出行、交通管理等应用中发挥着极其重要的作用。近年来，随着遥感技术和深度学习技术的发展，利用深度卷积神经网络开展高分辨率遥感影像道路提取任务迅速成为研究热点。该系列论文充分利用模型后验信息、多源众包道路矢量数据，构建了序列深度学习方法和多标签整合模型，有效提高了深度道路提取模型的标签噪声鲁棒性，促进了深度学习技术在遥感影像智能化解译中的应用。同时，选取了郑州市市区作为研究区域，实验结果表明该研究可实现大规模道路信息的高效、准确提取，并可拓展至多个实际应用领域。

       该成果依托河南省重大科技专项“面向超算的黄河模拟器构建与服务关键技术研究”，是地球科学与技术学院遥感与地理计算方向重要成果之一。

文章链接： https://ieeexplore.ieee.org/document/9615159

https://www.sciencedirect.com/science/article/pii/S0303243421002518